import openpyxl
import xgboost as xgb
import gradio as gr
import joblib
import pandas as pd
import numpy as np
import seaborn as sns
import statsmodels.api as sm
import matplotlib.pyplot as plt
import io
from sklearn.preprocessing import MinMaxScaler
from reportlab.lib import colors
from reportlab.lib.units import inch
from reportlab.lib.pagesizes import A4, landscape
from reportlab.lib.styles import getSampleStyleSheet
from reportlab.pdfgen.canvas import Canvas
from reportlab.platypus import SimpleDocTemplate, Spacer, Image, Frame, PageTemplate, BaseDocTemplate, Table, Paragraph, NextPageTemplate, PageBreak
def get_report(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E, pred):
# Define the page size
pagesize = A4 # You can adjust the page size as needed
def on_page(canvas, doc):
page_num = canvas.getPageNumber()
canvas.drawCentredString(pagesize[0] / 2, 50, str(page_num))
def on_page_landscape(canvas, doc):
return on_page(canvas, doc, pagesize=landscape(A4))
padding = dict(
leftPadding=72,
rightPadding=72,
topPadding=72,
bottomPadding=18)
portrait_frame = Frame(0, 0, *A4, **padding)
landscape_frame = Frame(0, 0, *landscape(A4), **padding)
portrait_template = PageTemplate(id='portrait',
frames=portrait_frame,
onPage=on_page,
pagesize=A4)
landscape_template = PageTemplate(id='landscape',
frames=landscape_frame,
onPage=on_page_landscape,
pagesize=landscape(A4))
doc = BaseDocTemplate('report.pdf',
pageTemplates=[portrait_template,landscape_template])
styles = getSampleStyleSheet()
story = [
Image('DAI.png', width=6.4 * inch, height=1.28 * inch),
Spacer(1, 36),
Paragraph('Modelo para Salas Comerciais - XGBoost Regressor - 2024', styles['Heading1']),
Paragraph('Parâmetros do cálculo', styles['Heading2']),
Paragraph(f"Fonte (Transação ou Oferta): {FON}", styles['Normal']),
Paragraph(f"Ano de Construção (Conforme Cadastro Imobiliário): {ANO_CONST}", styles['Normal']),
Paragraph(f"Andar (Conforme Cadastro Imobiliário): {ANDAR}", styles['Normal']),
Paragraph(f"Coordenada X (TM-POA): {X}", styles['Normal']),
Paragraph(f"Coordenada Y (TM-POA): {Y}", styles['Normal']),
Paragraph(f"Área Total (Conforme Cadastro Imobiliário): {ATOTAL}", styles['Normal']),
Paragraph(f"Região Homogênea: {RH}", styles['Normal']),
Paragraph(f"Ano 2019 - Exercício Fiscal 2020: {'Sim' if ANO_2019 else 'Não'}", styles['Normal']),
Paragraph(f"Ano 2020 - Exercício Fiscal 2021: {'Sim' if ANO_2020 else 'Não'}", styles['Normal']),
Paragraph(f"Ano 2021 - Exercício Fiscal 2022: {'Sim' if ANO_2021 else 'Não'}", styles['Normal']),
Paragraph(f"Ano 2022 - Exercício Fiscal 2023: {'Sim' if ANO_2022 else 'Não'}", styles['Normal']),
Paragraph(f"Ano 2023 - Exercício Fiscal 2024: {'Sim' if ANO_2023 else 'Não'}", styles['Normal']),
Paragraph(f"Padrão Construtivo C: {'Sim' if C else 'Não'}", styles['Normal']),
Paragraph(f"Padrão Construtivo D: {'Sim' if D else 'Não'}", styles['Normal']),
Paragraph(f"Padrão Construtivo E: {'Sim' if E else 'Não'}", styles['Normal']),
Spacer(1, 36),
Paragraph('Resultado', styles['Heading1']),
Paragraph('Valor do imóvel (R$)', styles['Heading2']),
Paragraph(f"R$ {round(pred[0][0] * ATOTAL, -2)}", styles['Normal']),
]
doc.build(story)
def execute(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E):
df = pd.DataFrame.from_dict({'FON': [FON],
'ANO_CONST': [ANO_CONST],
'ANDAR': [ANDAR],
'X': [X],
'Y': [Y],
'ATOTAL': np.log(ATOTAL),
'RH': np.log(RH),
'ANO_2019': 1 if ANO_2019 else 0,
'ANO_2020': 1 if ANO_2020 else 0,
'ANO_2021': 1 if ANO_2021 else 0,
'ANO_2022': 1 if ANO_2022 else 0,
'ANO_2023': 1 if ANO_2023 else 0,
'A': 0,
'B': 0,
'C': 1 if C else 0,
'D': 1 if D else 0,
'E': 1 if E else 0,
})
input_scaler = joblib.load("dados/apartamentos/input_scaler_ape_DEZ2023.save")
df = input_scaler.transform(df)
cols = ['FON', 'ANO_CONST', 'ANDAR', 'X', 'Y', 'ATOTAL', 'RH', 'ANO_2019', 'ANO_2020', 'ANO_2021', 'ANO_2022', 'ANO_2023', 'A', 'B', 'C', 'D', 'E']
aval = pd.DataFrame(df, columns = cols)
df = xgb.DMatrix(aval)
loaded_model = xgb.Booster()
loaded_model.load_model("dados/apartamentos/APARTAMENTO_2020_2021_2022_2023_2024.model")
pred = loaded_model.predict(df)
output_scaler = joblib.load("dados/apartamentos/output_scaler_ape_DEZ2023.save")
pred = output_scaler.inverse_transform(np.array(pred).reshape(-1,1))
pred = np.exp(pred)
get_report(FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E, pred)
return f"""R${round(pred[0][0] * ATOTAL, -2)}""", 'report.pdf'
def load_inputs():
FON = gr.Checkbox(label='Fonte (Transação: desmarcar | Oferta: marcar)', value=False)
ANO_CONST = gr.Number(value=2020, label='Ano de Construção (Conforme Cadastro Imobiliário)')
ANDAR = gr.Number(value=4, label='Andar (Conforme Cadastro Imobiliário)')
X = gr.Number(label='Coordenada X (TM-POA)', value=281554.)
Y = gr.Number(label='Coordenada Y (TM-POA)', value=1675418.)
ATOTAL = gr.Number(label='Área Total (Conforme Cadastro Imobiliário)', value=60.)
RH = gr.Number(value=120, label='Região Homogênea')
ANO_2019 = gr.Checkbox(label='Ano 2019 - Carga Geral 2020', value=False)
ANO_2020 = gr.Checkbox(label='Ano 2020 - Carga Geral 2021', value=False)
ANO_2021 = gr.Checkbox(label='Ano 2021 - Carga Geral 2022', value=False)
ANO_2022 = gr.Checkbox(label='Ano 2022 - Carga Geral 2023', value=False)
ANO_2023 = gr.Checkbox(label='Ano 2023 - Carga Geral 2024', value=True)
C = gr.Checkbox(label='Padrão Construtivo C', value=True)
D = gr.Checkbox(label='Padrão Construtivo D', value=False)
E = gr.Checkbox(label='Padrão Construtivo E', value=False)
return [FON, ANO_CONST, ANDAR, X, Y, ATOTAL, RH, ANO_2019, ANO_2020, ANO_2021, ANO_2022, ANO_2023, C, D, E]
title = 'Apartamentos - XGBoost Regressor - 2024'
description = f"""
# Modelo para Apartamentos - XGBoost Regressor - 2024
39.732 dados efetivamente utilizados, referentes aos anos 2019 a 2023.
"""